論文の概要: Personalized Causal Recourse: A Human-In-The-Loop Approach

• arxiv url: http://arxiv.org/abs/2607.03425v1
• Date: Fri, 03 Jul 2026 15:37:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.609067
• Title: Personalized Causal Recourse: A Human-In-The-Loop Approach
• Title（参考訳）: パーソナライズされた因果関係
• Abstract要約: Algorithmic Recourseは、好ましくない機械学習決定に影響されたユーザに、カスタマイズされたレコメンデーションを提供することの課題に対処する。 我々は,対話型クエリによるユーザの構造因果モデルに近似した,ループ内ヒューマン・イン・ザ・ループ・フレームワークを開発した。 概念実証として,人間の反応をシミュレートして,この枠組みを評価する。
• 参考スコア（独自算出の注目度）: 4.6071451559137175
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Algorithmic recourse addresses the challenge of providing tailored recommendations to users affected by unfavorable machine learning decisions, in potentially high-stakes scenarios. Traditional approaches to recourse often rely on the closest counterfactual explanations or assume a priori knowledge of a user's causal structure, resulting in interventions that overlook individual contexts and specific feature interactions. To overcome these limitations, we study a human-in-the-loop framework that iteratively approximates the user's structural causal model through interactive queries via Bayesian inference before producing recourse recommendations. This framework exploits humans' feedback to improve the identification of causal effects, allowing personalized recourse that is plausible, cost-effective, and aligned with the actual causal dependencies of each user. As a proof of concept, we evaluate this framework through simulated human responses. Our simulations across linear and non-linear causal models show promising results, though challenges remain in capturing complex, non-linear structures, emphasizing the importance of accurate approximations and robust noise distribution modeling.
• Abstract（参考訳）: Algorithmic Recourseは、リスクの高いシナリオにおいて、好ましくない機械学習決定に影響されたユーザに、カスタマイズされたレコメンデーションを提供することの課題に対処する。 伝統的な会話のアプローチは、しばしば最も近い反事実的な説明に頼り、ユーザーの因果構造についての優先順位の知識を仮定し、結果として個々のコンテキストや特定の特徴の相互作用を見渡す介入をもたらす。 これらの制約を克服するために,リコースレコメンデーションを生成する前に,ベイズ推論による対話的クエリを通じて,ユーザの構造因果モデルに反復的に近似するヒューマン・イン・ザ・ループ・フレームワークについて検討する。 このフレームワークは人間のフィードバックを利用して因果関係の同定を改善し、各ユーザの実際の因果関係に適合するパーソナライズされた会話を可能にする。 概念実証として,人間の反応をシミュレートして,この枠組みを評価する。 線形および非線形因果モデルにおけるシミュレーションは, 複雑な非線形構造を捉えること, 正確な近似の重要性, 頑健な雑音分布モデリングに課題が残るが, 有望な結果を示す。

関連論文リスト

• Causal Algorithmic Recourse: Foundations and Methods [57.73269033551628]
  AIシステムの主な特徴は、個人が否定的な決定を覆す方法のレコメンデーションを提供する能力である。 既存のアプローチでは、recourseの結果を固定単位の反事実として扱う。 我々は、事前および事後結果のプロセスとして、会話をモデル化する因果的枠組みを開発する。
  論文  参考訳（メタデータ） (2026-05-12T00:55:19Z)
• Preference Learning for AI Alignment: a Causal Perspective [55.2480439325792]
  私たちはこの問題を因果パラダイムに枠組み化し、永続的な課題を特定するための因果関係の豊富なツールボックスを提供します。 因果推論の文献を継承し、信頼性の高い一般化に必要な重要な仮定を特定する。 そこで本研究では, 因果関係に基づくアプローチがモデルロバスト性をいかに改善するかを, ナイーブ報酬モデルの障害モードを例示する。
  論文  参考訳（メタデータ） (2025-06-06T10:45:42Z)
• Understanding Endogenous Data Drift in Adaptive Models with Recourse-Seeking Users [6.782864450313782]
  資源制約と競合力学の下で,ユーザの戦略的行動と意思決定システムとの相互作用について検討する。 本稿では,Fair-top-kとDynamic Continual Learningの2つの手法を提案する。 我々の研究は、アルゴリズムによる意思決定がより高い基準を意図せずに強化し、導入に対する内在的障壁を発生させる方法について、経済理論と結びついている。
  論文  参考訳（メタデータ） (2025-03-12T12:17:34Z)
• Causal Structure Representation Learning of Confounders in Latent Space for Recommendation [29.116042992171987]
  ユーザの過去のフィードバックからユーザの好みを推測することは,レコメンデーションシステムにおいて重要な問題である。 我々は、共同創設者の影響を考慮し、潜在分野におけるユーザー嗜好から引き離し、相互依存をモデル化するために因果グラフを用いる。
  論文  参考訳（メタデータ） (2023-11-02T08:46:07Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Causal Disentangled Variational Auto-Encoder for Preference Understanding in Recommendation [50.93536377097659]
  本稿では,コメンテータシステムにおける対話データから因果不整合表現を学習するためのCaD-VAE(Causal Disentangled Variational Auto-Encoder)を提案する。 この手法は構造因果モデルを用いて、潜在因子間の因果関係を記述する因果表現を生成する。
  論文  参考訳（メタデータ） (2023-04-17T00:10:56Z)
• CausalDialogue: Modeling Utterance-level Causality in Conversations [83.03604651485327]
  クラウドソーシングを通じて、CausalDialogueという新しいデータセットをコンパイルし、拡張しました。 このデータセットは、有向非巡回グラフ(DAG)構造内に複数の因果効果対を含む。 ニューラル会話モデルの訓練における発話レベルにおける因果性の影響を高めるために,Exponential Average Treatment Effect (ExMATE) と呼ばれる因果性強化手法を提案する。
  論文  参考訳（メタデータ） (2022-12-20T18:31:50Z)
• Causal Structure Learning with Recommendation System [46.90516308311924]
  まず,その基盤となる因果構造を因果構造モデルとして定式化し,提案システムの現実的な作業機構を基盤とした一般的な因果構造学習フレームワークについて述べる。 次に,本フレームワークから学習目標を導出し,効率的な最適化のための拡張ラグランジアンソルバを提案する。
  論文  参考訳（メタデータ） (2022-10-19T02:31:47Z)
• Confounder Identification-free Causal Visual Feature Learning [84.28462256571822]
  本稿では,創始者を特定する必要性を排除した,創始者同定自由因果視覚特徴学習(CICF)手法を提案する。 CICFは、フロントドア基準に基づいて異なるサンプル間の介入をモデル化し、インスタンスレベルの介入に対するグローバルスコープ干渉効果を近似する。 我々は,CICFと一般的なメタラーニング戦略MAMLの関係を明らかにするとともに,MAMLが理論的観点から機能する理由を解釈する。
  論文  参考訳（メタデータ） (2021-11-26T10:57:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。